DE102018113656A1

DE102018113656A1 - LEARNING DEVICE, CONTROL AND CONTROL SYSTEM

Info

Publication number: DE102018113656A1
Application number: DE102018113656.0A
Authority: DE
Inventors: Tamotsu Sakai
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2017-06-15
Filing date: 2018-06-08
Publication date: 2018-12-20
Anticipated expiration: 2038-06-09
Also published as: JP6577527B2; CN109129462A; US20180361576A1; JP2019000942A; CN109129462B; DE102018113656B4; US10730183B2

Abstract

Eine Steuerung, die fähig ist ein Betriebsgeräusch eines Werkzeugs zu entfernen und eine Presskraft fein zu steuern, ist mit einer Zustandsbeobachtungseinheit, die konfiguriert ist, einen gegenwärtigen Zustand eines Roboters als eine Zustandsgröße zu erlangen, einer Labeldatenerfassungseinheit, die konfiguriert ist, als ein Label einen detektierten Wert eines Kraftsensors zu erlangen, der an einem Arm angebracht und konfiguriert ist, erforderliche Daten für die Steuerung der Presskraft zu detektieren, und einer Lerneinheit versehen, die konfiguriert ist, ein Lernmodell zu erzeugen, das die Korrelation zwischen der Zustandsgröße, die in einem lastlosen Zustand erlangt wurde, und dem Label, das beim Erlangen der Zustandsgröße im lastlosen Zustand erlangt wurde, angibt, und den detektierten Wert des Kraftsensors, der dem gegenwärtigen Zustand des Roboters entspricht, basierend auf dem Lernmodell abschätzt. Die Steuerung steuert die Presskraft unter Verwendung des detektierten Werts des Kraftsensors, der im gegenwärtigen Zustand des Roboters in einem belasteten Zustand erlangt wurde, und dem detektierten Wert des Kraftsensors, der durch die Lerneinheit basierend auf dem gegenwärtigen Zustand des Roboters, der im belasteten Zustand erlangt wurde, abgeschätzt wird.

A controller capable of removing operation sound of a tool and finely controlling a pressing force is provided with a state observation unit configured to acquire a current state of a robot as a state quantity, a label data acquisition unit configured as a label detected value of a force sensor mounted on an arm and configured to detect required data for the control of the pressing force, and a learning unit configured to generate a learning model, the correlation between the state variable, which in a last state, and the label obtained upon obtaining the state quantity in the no-load state, and estimates the detected value of the force sensor corresponding to the current state of the robot based on the learning model. The controller controls the pressing force by using the detected value of the force sensor obtained in the loaded state at the present state of the robot and the detected value of the force sensor acquired by the learning unit based on the present state of the robot under load was, is estimated.

Description

ALLGEMEINER STAND DER TECHNIKGENERAL PRIOR ART

Gebiet der ErfindungField of the invention

Die vorliegende Erfindung betrifft eine Lernvorrichtung, Steuerung und ein Steuersystem und insbesondere eine Lernvorrichtung, Steuerung und ein Steuersystem, die fähig sind, ein Betriebsgeräusch eines Werkzeugs zu entfernen und eine Presskraft fein zu steuern.The present invention relates to a learning device, a controller, and a control system, and more particularly, to a learning device, a controller, and a control system capable of removing an operating sound of a tool and finely controlling a pressing force.

Beschreibung des Standes der TechnikDescription of the Prior Art

Es gibt wohlbekannte Roboter, die konfiguriert sind, ein Entgraten, Schleifen und dergleichen an einem Werkstück auszuführen. Ein solcher Roboter umfasst ein Werkzeug zur Bearbeitung und einen Kraftsensor am Endstück seines Arms und er steuert die Presskraft des Werkzeugs unter Verwendung detektierter Werte des Kraftsensors, sodass sie konstant ist. In einigen Fällen kann die Presskraft des Werkzeugs jedoch aufgrund des Einflusses des Betriebsgeräuschs des Werkzeugs nicht fein gesteuert werden. Wenn insbesondere ein Geräusch wie eine Vibration größer als die Presskraft ist, kann der Kraftsensor die Presskraft nicht detektieren, sodass er nicht bestimmen kann, ob das Werkzeug in Kontakt mit dem Werkstück ist oder nicht. Daher kann der konventionelle Roboter das Werkzeug nicht mit einer sehr kleinen Kraft pressen, die für den Kraftsensor nicht nachweisbar war, sodass er nicht vermeiden kann, das Werkzeug mit einer Kraft zu pressen, die größer ist als eine gewünschte. Wenn ein Versuch unternommen wird, das Betriebsgeräusch mit einer Feder oder mit Gummi zu absorbieren, wird es infolgedessen unweigerlich fehlschlagen, die Presskraft zu steuern. Daher ist es konventionell schwierig, kleine Grate zu entfernen.There are well-known robots configured to perform deburring, grinding and the like on a workpiece. Such a robot includes a tool for machining and a force sensor at the end of its arm and controls the pressing force of the tool using detected values of the force sensor so that it is constant. However, in some cases, the pressing force of the tool can not be finely controlled due to the influence of the operating noise of the tool. In particular, when a noise such as a vibration is larger than the pressing force, the force sensor can not detect the pressing force, so that it can not determine whether the tool is in contact with the workpiece or not. Therefore, the conventional robot can not press the tool with a very small force that was undetectable to the force sensor, so that it can not avoid pressing the tool with a force larger than a desired one. As a result, if an attempt is made to absorb the operating noise with a spring or rubber, it will inevitably fail to control the pressing force. Therefore, it is conventionally difficult to remove small burrs.

Bezüglich dieses Punktes beschreibt die japanische Patentoffenlegungsschrift Nr. 7-319558, wie Maschinenlernen mit Betriebsinformationen einer Maschine, die als Eingabedaten verwendet werden, und mit Störungen (Änderung von Gravitationskomponenten, die aufgrund der Stellung einer Vorrichtung auf einen Kraftsensor einwirken, Trägheitskraft, die im Betrieb der Vorrichtung auftritt, usw.), die mit dem Maschinenbetrieb einhergehend erzeugt werden, in einem als Lehrdaten verwendeten lastlosen Zustand ausgeführt wird, wobei die Störungen von den Betriebsinformationen während des Maschinenbetriebs in einem belasteten Zustand abgeschätzt werden und eine resultierende äußere Kraft durch Subtrahieren von abgeschätzten Störungswerten von den tatsächlich erlangten detektierten Werten des Kraftsensors abgeschätzt wird.With regard to this point, Japanese Laid-Open Patent Publication No. 7-319558, such as machine learning with operating information of a machine used as input data and disturbances (change of gravitational components acting on a force sensor due to the posture of a device, describes inertial force in operation the device, etc.) associated with the engine operation is executed in a no-load condition used as teaching data, the failures of the operation information during the engine operation being estimated in a loaded condition and a resultant external force by subtracting estimated ones Error values are estimated from the actually obtained detected values of the force sensor.

Elemente, die das Betriebsgeräusch der Maschine beeinflussen, sind jedoch nicht immer auf die Gravitationskomponente und die Trägheitskraft begrenzt und Vibration oder ein Betriebsgeräusch, das einem Drehbohrer eigen ist, sollten insbesondere bei solchen Arbeitsvorgängen wie Entgraten und Schleifen berücksichtigt werden. Obwohl es mehrere Stellungen geben kann, die der Roboter beim Ausführen eines bestimmten Arbeitsvorgangs annehmen kann, d. h., es kann mehrere Kombinationen von Winkeln von Gelenkachsen geben, besteht des Weiteren das Problem, dass sich das Betriebsgeräusch der Maschine auch abhängig von diesen Stellungen ändert.However, elements that affect the operating noise of the machine are not always limited to the gravitational component and inertial force, and vibration or operating noise inherent in a rotary drill should be considered particularly in such operations as deburring and grinding. Although there may be multiple positions that the robot can adopt when performing a particular operation, d. that is, there may be several combinations of joint axis angles, there is also a problem that the operating noise of the machine also changes depending on these positions.

KURZDARSTELLUNG DER ERFINDUNGBRIEF SUMMARY OF THE INVENTION

Die vorliegende Erfindung erfolgte in Anbetracht dieser Probleme und ihre Aufgabe ist es, eine Lernvorrichtung, Steuerung und ein Steuersystem bereitzustellen, die fähig sind, ein Betriebsgeräusch eines Werkzeugs zu entfernen und eine Presskraft fein zu steuern. Eine Steuerung gemäß einer Ausführungsform der vorliegenden Erfindung ist eine Steuerung, die ein Werkstück durch Steuern einer Presskraft eines Werkzeugs bearbeitet, das am Endstück eines Arms eines Roboters angebracht ist, und umfasst eine Zustandsbeobachtungseinheit, die konfiguriert ist, einen gegenwärtigen Zustand des Roboters als eine Zustandsgröße zu erlangen, eine Labeldatenerfassungseinheit, die konfiguriert ist, als ein Label einen detektierten Wert eines Kraftsensors zu erlangen, der an dem Arm angebracht und konfiguriert ist, erforderliche Daten zur Steuerung der Presskraft zu detektieren, und eine Lerneinheit, die konfiguriert ist, ein Lernmodell zu erzeugen, das die Korrelation zwischen der Zustandsgröße, die in einem lastlosen Zustand erlangt wurde, und dem Label, das beim Erlangen der Zustandsgröße im lastlosen Zustand erlangt wurde, angibt und den detektierten Wert des Kraftsensors entsprechend dem gegenwärtigen Zustand des Roboters basierend auf dem Lernmodell abschätzt. Die Steuerung steuert die Presskraft unter Verwendung des detektierten Werts des Kraftsensors, der im gegenwärtigen Zustand des Roboters, in einem belasteten Zustand erlangt wurde, und dem detektierten Wert des Kraftsensors, der durch die Lerneinheit basierend auf dem gegenwärtigen Zustand des Roboters, der im belasteten Zustand erlangt wurde, abgeschätzt wird.The present invention has been made in view of these problems, and its object is to provide a learning device, controller, and control system capable of removing an operation sound of a tool and finely controlling a pressing force. A controller according to an embodiment of the present invention is a controller that processes a workpiece by controlling a pressing force of a tool attached to the tip of an arm of a robot, and includes a state observation unit configured to set a current state of the robot as a state quantity to obtain a label data acquisition unit configured to acquire as a label a detected value of a force sensor attached to the arm and configured to detect required data for controlling the pressing force, and a learning unit configured to adopt a learning model which indicates the correlation between the state quantity obtained in a no-load state and the label obtained upon obtaining the state variable in the no-load state, and the detected value of the force sensor corresponding to the current state of the robot based on the learning metric odell appraises. The controller controls the pressing force using the detected value of the force sensor obtained in the current state of the robot in a loaded state and the detected value of the force sensor detected by the learning unit based on the current state of the robot in the loaded state was obtained, is estimated.

Bei der Steuerung gemäß einer Ausführungsform der vorliegenden Erfindung ist der detektierte Wert des Kraftsensors eine Kraft, die auf den Kraftsensor einwirkt, und/oder eine Vibrationsfrequenz, die auf den Kraftsensor einwirkt.In the control according to an embodiment of the present invention, the detected value of the force sensor is a force acting on the force sensor and / or a vibration frequency acting on the force sensor.

Bei der Steuerung gemäß einer Ausführungsform der vorliegenden Erfindung ist der gegenwärtige Zustand des Roboters mindestens einer von Faktoren, welche die Arbeitsrichtung, die Geschwindigkeit, die Beschleunigung, Ruck und die Stellung des Roboters und die Dreh- und Vibrationsfrequenzen einer Antriebseinheit des Werkzeugs umfassen.In the control according to an embodiment of the present invention, the current state of the robot is at least one of factors which determine the working direction, the speed, the acceleration, jerk and the position of the robot and the rotational and vibration frequencies of a drive unit of the tool include.

Bei der Steuerung gemäß einer Ausführungsform der vorliegenden Erfindung führt der Roboter ein Entgraten und/oder Schleifen des Werkstücks aus.In the control according to an embodiment of the present invention, the robot performs deburring and / or grinding of the workpiece.

Ein Steuersystem gemäß einer Ausführungsform der vorliegenden Erfindung umfasst einen Roboter, der konfiguriert ist, ein Werkstück mittels einer Presskraft eines Werkzeugs zu bearbeiten, das am Endstück eines Arms angebracht ist, und eine Steuerung, die konfiguriert ist, den Betrieb des Roboters zu steuern, wobei die Steuerung eine Zustandsbeobachtungseinheit, die konfiguriert ist, einen gegenwärtigen Zustand des Roboters als eine Zustandsgröße zu erlangen, eine Labeldatenerfassungseinheit, die konfiguriert ist, als ein Label einen detektierten Wert eines Kraftsensors zu erlangen, der an dem Arm angebracht und konfiguriert ist, erforderliche Daten zur Steuerung der Presskraft zu detektieren, und eine Lerneinheit umfasst, die konfiguriert ist, ein Lernmodell zu erzeugen, das die Korrelation zwischen der Zustandsgröße, die in einem lastlosen Zustand erlangt wurde, und dem Label, das beim Erlangen der Zustandsgröße im lastlosen Zustand erlangt wurde, angibt und den detektierten Wert des Kraftsensors entsprechend dem gegenwärtigen Zustand des Roboters basierend auf dem Lernmodell abschätzt. Die Steuerung steuert die Presskraft unter Verwendung des detektierten Werts des Kraftsensors, der im gegenwärtigen Zustand des Roboters, in einem belasteten Zustand erlangt wurde, und dem detektierten Wert des Kraftsensors, der durch die Lerneinheit basierend auf dem gegenwärtigen Zustand des Roboters, der im belasteten Zustand erlangt wurde, abgeschätzt wird.A control system according to an embodiment of the present invention includes a robot configured to machine a workpiece by a pressing force of a tool attached to the tip of an arm, and a controller configured to control the operation of the robot the controller is a state observation unit configured to acquire a current state of the robot as a state variable, a label data acquisition unit configured to acquire, as a label, a detected value of a force sensor attached to and configured on the arm, required data for To detect control of the pressing force, and a learning unit configured to generate a learning model that obtains the correlation between the state quantity obtained in a no-load state and the label obtained upon attaining the state state in the no-load state; indicates and detected n estimates the value of the force sensor according to the current state of the robot based on the learning model. The controller controls the pressing force using the detected value of the force sensor obtained in the current state of the robot in a loaded state and the detected value of the force sensor detected by the learning unit based on the current state of the robot in the loaded state was obtained, is estimated.

Eine Lernvorrichtung gemäß einer Ausführungsform der vorliegenden Erfindung umfasst eine Zustandsbeobachtungseinheit, die konfiguriert ist, einen gegenwärtigen Zustand eines Roboters als eine Zustandsgröße zu erlangen, eine Labeldatenerfassungseinheit, die konfiguriert ist, als ein Label einen detektierten Wert eines Kraftsensors zu erlangen, der an einem Arm des Roboters angebracht und konfiguriert ist, erforderliche Daten zum Steuern einer Presskraft eines Werkzeugs zu detektieren, das an dem Endstück des Arms angebracht ist, und eine Lerneinheit, die konfiguriert ist, ein Lernmodell zu erzeugen, das die Korrelation zwischen der Zustandsgröße, die in einem lastlosen Zustand erlangt wurde, und dem Label das beim Erlangen der Zustandsgröße im lastlosen Zustand erlangt wurde, angibt und den detektierten Wert des Kraftsensors, der dem gegenwärtigen Zustand des Roboters entspricht, basierend auf dem Lernmodell abschätzt.A learning device according to an embodiment of the present invention includes a state observation unit configured to acquire a present state of a robot as a state variable, a label data acquisition unit configured to acquire as a label a detected value of a force sensor that is applied to an arm of the Robot is mounted and configured to detect required data for controlling a pressing force of a tool that is attached to the end of the arm, and a learning unit that is configured to generate a learning model, the correlation between the state variable that in a no-load State, and the label obtained upon obtaining the state quantity in the no-load state, and indicates the detected value of the force sensor corresponding to the current state of the robot based on the learning model.

Gemäß der Erfindung kann eine Lernvorrichtung, Steuerung und ein Steuersystem bereitgestellt werden, die fähig sind Betriebsgeräusch eines Werkzeugs zu entfernen und eine Presskraft fein zu steuern.According to the invention, there can be provided a learning device, a controller, and a control system capable of removing operating noise of a tool and finely controlling a pressing force.

Figurenlistelist of figures

Die vorstehenden und andere Aufgaben und Merkmale der vorliegenden Erfindung werden aus der anschließenden Beschreibung von Ausführungsformen unter Bezugnahme auf die begleitenden Zeichnungen offensichtlich:

1 ist ein schematisches Funktionsdiagramm eines Steuersystems;
2 ist ein schematisches Funktionsdiagramm einer Steuerung;
3 ist ein schematisches Funktionsdiagramm, das eine Form der Steuerung zeigt;
4A ist ein Diagramm, das ein Neuron veranschaulicht; und
4B ist ein Diagramm, das ein neuronales Netzwerk veranschaulicht.

The foregoing and other objects and features of the present invention will become more apparent from the ensuing description of embodiments with reference to the accompanying drawings.

1 is a schematic functional diagram of a control system;
2 is a schematic functional diagram of a controller;
3 Fig. 10 is a schematic functional diagram showing a form of control;
4A is a diagram illustrating a neuron; and
4B is a diagram illustrating a neural network.

AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMENDETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS

Eine Ausführungsform der vorliegenden Erfindung wird jetzt unter Bezugnahme auf die begleitenden Zeichnungen beschrieben. Unter Bezugnahme auf 1 wird eine Konfiguration eines Steuersystems 100 gemäß der Ausführungsform 1 der vorliegenden Erfindung beschrieben. Das Steuersystem 100 umfasst einen Roboter 1 und eine Steuerung 10 zum Steuern des Roboters 1. Die Steuerung 10 umfasst eine Lernvorrichtung 20.An embodiment of the present invention will now be described with reference to the accompanying drawings. With reference to 1 becomes a configuration of a control system 100 according to the embodiment 1 of the present invention. The tax system 100 includes a robot 1 and a controller 10 for controlling the robot 1 , The control 10 includes a learning device 20 ,

2 ist ein Funktionsdiagramm, das eine schematische Konfiguration der Steuerung 10 gemäß Ausführungsform 1 zeigt. Gewöhnlich ist die Steuerung 10 eine Robotersteuerung zum Steuern des Betriebs des Roboters 1. Die Steuerung 10 umfasst eine Vorverarbeitungseinheit 12, die Eingabedaten erlangt und vorverarbeitet, und die Lernvorrichtung 20, die Software (Lernalgorithmus usw.) und Hardware (CPU eines Computers, usw.) zum Selbstlernen basierend auf dem sogenannten Maschinenlernen umfasst. 2 is a functional diagram showing a schematic configuration of the controller 10 according to embodiment 1 shows. Usually the control is 10 a robot controller for controlling the operation of the robot 1 , The control 10 includes a preprocessing unit 12 , the input data obtained and preprocessed, and the learning device 20 which includes software (learning algorithm, etc.) and hardware (CPU of a computer, etc.) for self-learning based on so-called machine learning.

Die Steuerung 10 interpretiert ein Betriebsprogramm und steuert den Roboter 1. Ein Kraftsensor und ein Werkzeug sind am Armendstück des Roboters 1 angebracht. Das Werkzeug ist beispielsweise eine Schleifmaschine, eine Polierscheibe mit exzentrischer Drehbewegung, Leutor oder Vibrationsfeile. Eine Antriebseinheit steuert das Werkzeug mit einer Vibrations- oder Drehfrequenz, die in dem Betriebsprogramm oder dergleichen spezifiziert ist. Der Kraftsensor detektiert Kräfte, die zwischen dem Werkzeug und einem Werkstück wirken, und speziell Kräfte oder Vibrationsfrequenzen, die durch den Betrieb des Werkzeugs erzeugt werden. Die durch den Kraftsensor detektierten Kräfte umfassen eine Kraft, wie eine Drehung oder Vibration, die durch den Werkzeugbetrieb selbst erzeugt werden, sowie eine Presskraft, die erzeugt wird, während das Werkzeug gegen das Werkstück gepresst wird.The control 10 interprets an operating program and controls the robot 1 , A force sensor and a tool are on the arm end of the robot 1 appropriate. The tool is for example a grinding machine, a polishing wheel with eccentric rotary motion, Leutor or vibration file. A drive unit controls the tool at a vibration or rotation frequency specified in the operation program or the like. Of the Force sensor detects forces acting between the tool and a workpiece, and specifically forces or vibration frequencies generated by the operation of the tool. The forces detected by the force sensor include a force such as rotation or vibration generated by the tool operation itself and a pressing force generated while the tool is being pressed against the workpiece.

Die Lernvorrichtung 20, erzeugt durch Maschinenlernen eine Modellstruktur, die für die Korrelationen des Zustandes (Arbeitsrichtung, Geschwindigkeit, Beschleunigung, Ruck, Stellung usw.) des Roboters 1 und des Zustandes (Drehfrequenz, Vibrationsfrequenz usw.) der Antriebseinheit des Werkzeugs, das am Roboter 1 angebracht ist, mit den dann detektierten Werten (Kraft, Vibrationsfrequenz usw.) des Kraftsensors repräsentativ sind. Speziell umfasst die Lernvorrichtung 20 eine Zustandsbeobachtungseinheit 22, die konfiguriert ist, Zustandsgrößen S zu beobachten, die für die gegenwärtigen Zustände des Roboters 1 und die Antriebseinheit repräsentativ sind, eine Labeldatenerfassungseinheit 24, die konfiguriert ist, Labeldaten L zu erlangen, welche die detektierten Werte des Kraftsensors angeben, und eine Lerneinheit 26, die konfiguriert ist, die Zustandsgrößen S und die Labeldaten L in Verbindung miteinander zu lernen.The learning device 20 , generated by machine learning a model structure, which is responsible for the correlations of the state (working direction, speed, acceleration, jerk, position, etc.) of the robot 1 and the state (rotational frequency, vibration frequency, etc.) of the drive unit of the tool, the robot 1 is appropriate, with the then detected values (force, vibration frequency, etc.) of the force sensor are representative. Specifically, the learning device includes 20 a state observation unit 22 , which is configured to observe state variables S, which are for the current states of the robot 1 and the drive unit are representative, a label data acquisition unit 24 configured to obtain label data L indicating the detected values of the force sensor, and a learning unit 26 which is configured to learn the state variables S and the label data L in conjunction with each other.

Die Vorverarbeitungseinheit 12 kann beispielsweise als eine Funktion der CPU der Robotersteuerung ausgelegt sein. Alternativ kann die Zustandsbeobachtungseinheit 22 beispielsweise als Software für die CPU der Robotersteuerung ausgelegt sein. Die Vorverarbeitungseinheit 12 führt eine Vorverarbeitung für Daten, die von dem Betriebsprogramm des Roboters 1 erlangt wurden, Daten, welche die gegenwärtigen Zustände des Roboters 1 und der Antriebseinheit angeben, Daten, die von dem Kraftsensor erlangt wurden, der am Roboter 1 angebracht ist, und dergleichen aus und gibt die vorverarbeiteten Daten an die Zustandsbeobachtungseinheit 22 und die Labeldatenerfassungseinheit 24 aus. Die Vorverarbeitung, die durch die Vorverarbeitungseinheit 12 ausgeführt wird, kann beispielsweise eine Anpassung der Anzahl an Stichprobendaten sein. Die Anpassung der Anzahl an Stichprobendaten, die hierin angegeben ist, ist eine Verarbeitung, die das Ausdünnen von gleitenden Durchschnitten und Daten, die Reduzierung der Anzahl an Daten durch partielle Extraktion, Zwischenpunktinterpolation und Datenanzahlerhöhung durch Festwertaddition kombiniert. Die Vorverarbeitung, die durch die Vorverarbeitungseinheit 12 ausgeführt wird, kann mit einer Verarbeitung für Skalieren, wie beispielsweise eine konventionelle Standardisierung, kombiniert sein.The preprocessing unit 12 For example, it may be designed as a function of the CPU of the robot controller. Alternatively, the state observation unit 22 for example, be designed as software for the CPU of the robot controller. The preprocessing unit 12 performs preprocessing for data derived from the operating program of the robot 1 were obtained, data representing the current states of the robot 1 and the drive unit indicate data obtained from the force sensor at the robot 1 is attached, and the like, and outputs the preprocessed data to the state observation unit 22 and the label data acquisition unit 24 out. The preprocessing, by the preprocessing unit 12 is performed, for example, an adjustment of the number of sample data. The adjustment of the number of sample data given herein is a processing combining the thinning of moving averages and data, the reduction of the number of data by partial extraction, inter-dot interpolation, and data-number increase by fixed-addition. The preprocessing, by the preprocessing unit 12 may be combined with scaling processing, such as conventional standardization.

In einer Lernstufe aktiviert die Steuerung 10 den Roboter 1 in einem lastlosen Zustand vor der Werkstückbearbeitung oder dergleichen und die Vorverarbeitungseinheit 12 erlangt die Stichprobendaten in einem vorbestimmten Abtastzeitraum. In einer Stufe des Verwendens der Resultate des Lernens aktiviert die Steuerung 10 den Roboter 1 in einem lastlosen Zustand während der Werkstückbearbeitung und die Vorverarbeitungseinheit 12 erlangt die Stichprobendaten in dem vorbestimmten Abtastzeitraum. In jedem Fall dient die Vorverarbeitungseinheit 12 dazu, die Anzahl an Stichprobendaten anzupassen und sie an die Zustandsbeobachtungseinheit 22 und die Labeldatenerfassungseinheit 24 zu liefern, wodurch die Genauigkeit des Maschinenlernens durch die Lernvorrichtung 20 relativ zur Diversität der Betriebseinstellung aufrechterhalten und verbessert wird.In a learning level, the controller activates 10 the robot 1 in a no-load state before the workpiece machining or the like and the pre-processing unit 12 obtains the sample data in a predetermined sampling period. In a stage of using the results of learning the control activates 10 the robot 1 in a no-load condition during workpiece machining and the preprocessing unit 12 obtains the sample data in the predetermined sampling period. In any case, the pre-processing unit is used 12 to adjust the number of sample data and send it to the condition tracking unit 22 and the label data acquisition unit 24 which provides the accuracy of machine learning by the learning device 20 is maintained and improved relative to the diversity of the cessation of operations.

Die Zustandsbeobachtungseinheit 22 kann beispielsweise als eine Funktion der CPU der Robotersteuerung ausgelegt sein. Alternativ kann die Zustandsbeobachtungseinheit 22 beispielsweise als Software für die CPU der Robotersteuerung ausgelegt sein. Die Vorverarbeitungseinheit 12 kann konfiguriert sein, Istwerte, wie die Arbeitsrichtung, Geschwindigkeit, Beschleunigung, Ruck und die Stellung des Roboters 1 und die Dreh- und Vibrationsfrequenzen der Antriebseinheit des Werkzeugs, das am Roboter 1 angebracht ist, direkt als die Zustandsgrößen S an die Zustandsbeobachtungseinheit 22 auszugeben. Die Arbeitsrichtung, Geschwindigkeit, Beschleunigung, Ruck und die Stellung des Roboters 1 und die Dreh- und Vibrationsfrequenzen der Antriebseinheit des Werkzeugs, das am Roboter 1 angebracht ist, und dergleichen können beispielsweise als Daten erlangt werden, die vom Betriebsprogramm des Roboters 1 erlangt sind, Daten, die direkt vom Roboter 1 und der Antriebseinheit erlangt sind, und Daten, die durch Verwenden oder Umwandeln dieser Daten erlangt sind. Im Allgemeinen sind die Arbeitsrichtung, Geschwindigkeit, Beschleunigung und Ruck diejenigen des Endstücks des Roboters 1. Des Weiteren können die Daten, welche die Stellung des Roboters 1 angeben, beispielsweise als eine Kombination aus Winkeln von Gelenkachsen des Arms erlangt sein.The state observation unit 22 For example, it may be designed as a function of the CPU of the robot controller. Alternatively, the state observation unit 22 for example, be designed as software for the CPU of the robot controller. The preprocessing unit 12 can be configured, actual values, such as the working direction, speed, acceleration, jerk and the position of the robot 1 and the rotation and vibration frequencies of the drive unit of the tool, the robot 1 is attached, directly as the state variables S to the state observation unit 22 issue. The working direction, speed, acceleration, jerk and position of the robot 1 and the rotation and vibration frequencies of the drive unit of the tool, the robot 1 is attached, and the like can be obtained, for example, as data obtained from the operating program of the robot 1 obtained data directly from the robot 1 and the drive unit, and data obtained by using or converting these data. In general, the working direction, speed, acceleration and jerk are those of the end piece of the robot 1 , Furthermore, the data showing the position of the robot 1 may be obtained, for example, as a combination of angles of hinge axes of the arm.

Die Labeldatenerfassungseinheit 24 kann beispielsweise als eine Funktion der CPU der Robotersteuerung ausgelegt sein. Alternativ kann die Labeldatenerfassungseinheit 24 beispielsweise als Software für die CPU der Robotersteuerung ausgelegt sein. Die Labeldaten L, die durch die Labeldatenerfassungseinheit 24 erlangt werden, sind beispielsweise Kräfte und Frequenzen, die von dem Kraftsensor erlangt werden, der am Endstück des Roboters 1 angebracht ist, oder Daten die erlangt werden, nachdem diese Daten durch die Vorverarbeitungseinheit 12 vorverarbeitet wurden. Daher sind kurz gesagt die Labeldaten L Daten, welche die Kräfte und Vibrationsfrequenzen angeben, die durch den Kraftsensor unter den Zustandsgrößen S detektiert werden.The label data acquisition unit 24 For example, it may be designed as a function of the CPU of the robot controller. Alternatively, the label data collection unit 24 for example, be designed as software for the CPU of the robot controller. The label data L generated by the label data collection unit 24 are, for example, forces and frequencies obtained by the force sensor at the end of the robot 1 is attached, or data obtained after this data by the preprocessing unit 12 were preprocessed. Therefore, in short, the label data L is data indicating the forces and vibration frequencies detected by the force sensor among the state quantities S.

In der Lernstufe der Lernvorrichtung 20 erfolgt die Ausführung des Betriebs des Roboters 1 im lastlosen Zustand, die Detektion der Zustände des Roboters 1 und der Antriebseinheit während der Ausführung und die Detektion der Kräfte und Vibrationsfrequenzen durch den Kraftsensor. At the learning level of the learning device 20 the execution of the operation of the robot takes place 1 in the no-load state, the detection of the states of the robot 1 and the drive unit during execution and the detection of forces and vibration frequencies by the force sensor.

Die Lerneinheit 26 kann beispielsweise als eine Funktion der CPU der Robotersteuerung ausgelegt sein. Alternativ kann die Lerneinheit 26 beispielsweise als Software für die CPU der Robotersteuerung ausgelegt sein. Die Lerneinheit 26 lernt die Beziehungen zwischen den Zustandsgrößen S, die für die gegenwärtigen Zustände des Roboters 1 und der Antriebseinheit repräsentativ sind, und den Labeldaten L, welche die detektierten Werte des Kraftsensors angeben, gemäß einem willkürlichen Lernalgorithmus, der kollektiv Maschinenlernen genannt wird. Die Lerneinheit 26 kann wiederholt ein Lernen basierend auf einem Datensatz, der die vorstehenden Zustandsgrößen S und die Labeldaten L umfasst, während der Roboter 1 mehrere Arbeitsvorgänge ausführt, ausführen. Wenn dies erfolgt, sollte der Roboter 1 bevorzugt in mehreren Betriebsmustern betrieben werden, um verschiedene Kombinationen von Stellungen, Drehfrequenzen, Vibrationsfrequenzen und dergleichen abzudecken.The learning unit 26 For example, it may be designed as a function of the CPU of the robot controller. Alternatively, the learning unit 26 for example, be designed as software for the CPU of the robot controller. The learning unit 26 learns the relationships between the state variables S, for the current states of the robot 1 and the drive unit, and the label data L indicating the detected values of the force sensor according to an arbitrary learning algorithm collectively called machine learning. The learning unit 26 For example, a learning based on a data set including the above state variables S and the label data L may be repeated while the robot 1 perform several operations. When this happens, the robot should 1 preferably be operated in multiple operating patterns to cover various combinations of positions, rotational frequencies, vibration frequencies and the like.

Indem diese Lernzyklen wiederholt werden, kann die Lerneinheit 26 automatisch Charakteristiken identifizieren, die auf Korrelationen zwischen den Zustandsgrößen S, die für die gegenwärtigen Zustände des Roboters 1 und der Antriebseinheit repräsentativ sind, und den Labeldaten L, welche die detektierten Werte des Kraftsensors angeben, hinweisen. Obwohl die Korrelationen zwischen den Zustandsgrößen S und den Labeldaten L beim Start des Lernalgorithmus unbekannt sind, interpretiert die Lerneinheit 26 die Korrelationen, indem sie allmählich die Charakteristiken mit dem Fortschritt des Lernens identifiziert. Wenn die Korrelationen zwischen den Zustandsgrößen S und den Labeldaten L mit einem zuverlässigen Niveau interpretiert werden, können die Lernresultate, die wiederholt durch die Lerneinheit 26 ausgegeben werden, verwendet werden, um die detektierten Werte des Kraftsensors basierend auf den gegenwärtigen Zuständen des Roboters 1 und der Antriebseinheit abzuschätzen. Die Zustandsgrößen S bestehen aus Daten, die durch Störungen nicht leicht beeinflusst werden, während die Labeldaten L eindeutig erlangt werden. Daher kann gemäß der Lernvorrichtung 20 der Steuerung 10 die Abschätzung der detektierten Werte des Kraftsensors, die den gegenwärtigen Zuständen des Roboters 1 und der Antriebseinheit entsprechen, automatisch und genau unter Verwendung der Lernresultate der Lerneinheit 26 ausgeführt werden.By repeating these learning cycles, the learning unit can 26 automatically identify characteristics based on correlations between the state variables S, for the current states of the robot 1 and the drive unit, and the label data L indicating the detected values of the force sensor. Although the correlations between the state variables S and the label data L are unknown at the start of the learning algorithm, the learning unit interprets 26 the correlations by gradually identifying the characteristics with the progress of learning. If the correlations between the state variables S and the label data L are interpreted with a reliable level, the learning results repeated by the learning unit 26 can be used to determine the detected values of the force sensor based on the current conditions of the robot 1 and to estimate the drive unit. The state quantities S consist of data that are not easily affected by noise while the label data L is uniquely obtained. Therefore, according to the learning device 20 the controller 10 the estimation of the detected values of the force sensor representing the current conditions of the robot 1 and the drive unit, automatically and accurately using the learning results of the learning unit 26 be executed.

Wenn die Abschätzung der detektierten Werte des Kraftsensors im lastlosen Zustand automatisch und genau ausgeführt werden kann, können nur die durch die Bearbeitung erzeugten Kräfte und Vibrationsfrequenzen durch Subtrahieren abgeschätzter detektierter Werte des Kraftsensors im lastlosen Zustand von detektierten Werten des Kraftsensors, die tatsächlich in einem belasteten Zustand gemessen wurden, berechnet werden. Während der Werkstückbearbeitung, wie beispielsweise Entgraten oder Schleifen, erlangen daher die Vorverarbeitungseinheit 12 und die Zustandsbeobachtungseinheit 22, wie in der Lernstufe, den Zustand (Arbeitsrichtung, Geschwindigkeit, Beschleunigung, Ruck, Stellung usw.) des Roboters 1 und den Zustand (Drehfrequenz, Vibrationsfrequenz usw.) der Antriebseinheit des Werkzeugs, das an dem Roboter 1 angebracht ist, als die Zustandsgrößen S. Die Lerneinheit 26 gibt die Zustandsgrößen S in ein gelerntes Modell ein und gibt die Schätzwerte des Kraftsensors unter den Zustandsgrößen S aus. Andererseits erlangt die Steuerung 10 die gegenwärtig detektierten Werte (Kraft, Vibrationsfrequenz usw.) des Kraftsensors. Des Weiteren subtrahiert die Steuerung 10 die Schätzwerte, die durch die Lerneinheit 26 ausgegeben werden, von den gegenwärtig detektierten Werten des Kraftsensors. Die auf diese Weise erlangten Daten sind Daten, die nur die Kräfte und Vibrationsfrequenzen angeben, die aufgrund der Werkstückbearbeitung, wie Entgraten oder Schleifen, erzeugt werden.If the estimation of the detected values of the force sensor in the no-load state can be carried out automatically and accurately, only the forces generated by the machining and vibration frequencies can be obtained by subtracting estimated detected values of the force sensor in the no-load state from detected values of the force sensor which are actually in a loaded state measured. During workpiece machining, such as deburring or grinding, therefore, the preprocessing unit obtains 12 and the state observation unit 22 as in the learning level, the state (working direction, speed, acceleration, jerk, position, etc.) of the robot 1 and the state (rotational frequency, vibration frequency, etc.) of the drive unit of the tool attached to the robot 1 is attached, as the state variables S. The learning unit 26 inputs the state variables S into a learned model and outputs the estimated values of the force sensor among the state variables S. On the other hand, the controller attains 10 the currently detected values (force, vibration frequency, etc.) of the force sensor. Furthermore, the controller subtracts 10 the estimates made by the lesson 26 output from the currently detected values of the force sensor. The data obtained in this way is data indicating only the forces and vibration frequencies that are generated due to workpiece machining such as deburring or grinding.

Die Steuerung 10 kann die vorstehende Verarbeitung beispielsweise als Zyklussteuerung ausführen. Speziell berechnet die Lerneinheit 26 Schätzwerte der Ausgaben des Kraftsensors in einem feststehenden Zeitraum. Wenn die gegenwärtig detektierten Werte des Kraftsensors erlangt sind, berechnet die Steuerung 10 die Kräfte und Vibrationsfrequenzen, die aufgrund der Bearbeitung erzeugt werden, unter Verwendung des geschätzten Wertes der Ausgabe des Kraftsensors, der in dem vorhergehenden Zeitraum berechnet wurde. Gemäß diesem Verfahren ist ein geschätzter Wert, der verwendet wird, um Geräusche aufzuheben, ein vorhergehender. Da angenommen werden kann, dass sich die Geräusche abhängig von den Zustandswechseln des Roboters 1 und der Antriebseinheit im Wesentlichen linear ändern, können jedoch praktisch keine ernsthaften Fehler erzeugt werden.The control 10 For example, the above processing may be executed as cycle control. Specifically, the learning unit calculates 26 Estimates of Force Sensor Outputs in a Fixed Period. When the currently detected values of the force sensor are obtained, the controller calculates 10 the forces and vibration frequencies generated due to the machining using the estimated value of the output of the force sensor calculated in the previous period. According to this method, an estimated value used to cancel noises is a previous one. Since it can be assumed that the noise depends on the state changes of the robot 1 and change the drive unit substantially linearly, however, virtually no serious errors can be generated.

Alternativ kann die Steuerung 10 ein Steuern, das frei von den vorstehenden periodischen Fehlern ist, durch Ausführen einer solchen Bearbeitung, wie die gleichen Arbeitsvorgänge viele Male zu wiederholen, erreichen. In diesem Fall sind die Betriebsmuster des Roboters 1 und der Antriebseinheit feststehend, sodass die Lerneinheit 26 ein Lernen in der Lernstufe ausführt, das für die Betriebsmuster des Roboters 1 und die Antriebseinheit spezifisch ist, die bei der Bearbeitung verwendet werden. Des Weiteren führt in der Stufe des Verwendens der Lernresultate die Steuerung 10 beginnend von der ersten Stufe der Bearbeitung eine Geräuschaufhebungsverarbeitung unter Verwendung der Lernresultate aus.Alternatively, the controller 10 control that is free from the above periodic errors by accomplishing such processing as repeating the same operations many times. In this case, the operating patterns of the robot 1 and the drive unit fixed so that the learning unit 26 Performing a learning at the learning level, which is for the operating patterns of the robot 1 and the drive unit used in the machining is specific. Further, in the stage of using the learning results, the control results 10 starting from the first stage of Processing a noise cancellation processing using the learning results.

Daher erstellt gemäß der vorliegenden Ausführungsform die Lernvorrichtung 20 ein Lernmodell, das Korrelationen zwischen den gegenwärtigen Zuständen des Roboters 1 und der Antriebseinheit im lastlosen Zustand und den detektierten Werten des Kraftsensors angibt. Des Weiteren schätzt die Lernvorrichtung 20 die detektierten Werte des Kraftsensors im lastlosen Zustand entsprechend den gegenwärtigen Zuständen des Roboters 1 und der Antriebseinheit basierend auf dem gelernten Modell ab. Des Weiteren subtrahiert die Steuerung 10 während der Bearbeitung die abgeschätzten detektierten Werte des Kraftsensors im lastlosen Zustand von den detektierten Werten des Kraftsensors, wodurch nur die durch die Bearbeitung erzeugten Kräfte detektiert werden. Auf diese Weise kann ein Betriebsgeräusch des Werkzeugs entfernt werden, um die Detektion von kleinen Kräften zu ermöglichen, die aufgrund der Werkstückbearbeitung, wie Entgraten oder Schleifen, erzeugt werden, sodass eine Feinbearbeitung erreicht werden kann. Insbesondere variiert das Betriebsgeräusch des Werkzeugs in hohem Maße abhängig von der Vibrations- oder Drehfrequenz der Antriebseinheit, der Stellung des Arms des Roboters 1 und dergleichen, sowie vom Betrieb (Richtung, Geschwindigkeit, Beschleunigung, Ruck usw.) des Roboters 1. Gemäß der vorliegenden Ausführungsform kann das diesen Faktoren zurechenbare Betriebsgeräusch entfernt werden, sodass die Vorrichtung der vorliegenden Ausführungsform insbesondere für eine Bearbeitung wie Entgraten oder Schleifen nützlich ist.Therefore, according to the present embodiment, the learning device constructs 20 a learning model, the correlations between the current states of the robot 1 and indicates the drive unit in the no-load state and the detected values of the force sensor. Furthermore, the learning device appreciates 20 the detected values of the force sensor in the no-load condition corresponding to the current conditions of the robot 1 and the drive unit based on the learned model. Furthermore, the controller subtracts 10 During processing, the estimated detected values of the force sensor in the no-load state from the detected values of the force sensor, whereby only the forces generated by the machining are detected. In this way, an operation sound of the tool can be removed to enable the detection of small forces generated due to the workpiece processing such as deburring or grinding, so that a fine machining can be achieved. In particular, the operating noise of the tool varies greatly depending on the vibration or rotational frequency of the drive unit, the position of the arm of the robot 1 and the like, as well as the operation (direction, speed, acceleration, jerk, etc.) of the robot 1 , According to the present embodiment, the operating noise attributable to these factors can be removed, so that the apparatus of the present embodiment is particularly useful for machining such as deburring or grinding.

Bei einer Modifikation der Lernvorrichtung 20 der Steuerung 10 kann die Lerneinheit 26 die detektierten Werte des Kraftsensors, die den Betriebszuständen von mehreren Robotern 1 entsprechen, welche die gleiche Konfiguration aufweisen, unter Verwendung von Zustandsgrößen S und Labeldaten L, die individuell für die Roboter 1 erlangt wurden, lernen. Gemäß dieser Konfiguration kann das Volumen eines Datensatzes, der die in einem bestimmten Zeitraum erlangten Zustandsgrößen S und Labeldaten umfasst, vergrößert werden, sodass die Geschwindigkeit und Zuverlässigkeit des Lernens in einem anormalen Zustand einer Spritzgießmaschine relativ zum Betriebszustand der Maschine mit als Eingaben verwendeten vielfältigeren Datensätzen erhöht werden.In a modification of the learning device 20 the controller 10 can the lesson 26 the detected values of the force sensor, the operating states of several robots 1 which have the same configuration using state variables S and label data L that are unique to the robots 1 were learned, learn. According to this configuration, the volume of a data set including the state quantities S and label data obtained in a certain period of time can be increased, so that the speed and reliability of learning in an abnormal state of an injection molding machine relative to the operating state of the machine increases with more diverse data sets used as inputs become.

Bei der Lernvorrichtung 20 mit der vorstehenden Konfiguration ist der Lernalgorithmus, der durch die Lerneinheit 26 ausgeführt wird, nicht speziell begrenzt, und es kann ein konventioneller Lernalgorithmus als das Maschinenlernen verwendet werden. 3 zeigt eine Konfiguration basierend auf einer Form der Steuerung 10, die in 2 gezeigt ist, bei der die Lerneinheit 26 überwachtes Lernen als ein Beispiel des Lernalgorithmus ausführt. Das überwachte Lernen ist ein Verfahren, bei dem ein großes Volumen bekannter Datensätze (genannt Lehrdaten) einschließlich Eingaben und Ausgaben, die diesen entsprechen, im Voraus gegeben sind, und Charakteristiken, welche auf die Korrelationen zwischen den Eingaben und den Ausgaben hinweisen, werden von diesen Lehrdaten identifiziert, wodurch ein Korrelationsmodell (detektierte Werte des Kraftsensors, die den gegenwärtigen Zuständen des Roboters 1 und der Antriebseinheit entsprechen, in der Lernvorrichtung 20 der vorliegenden Erfindung) zum Abschätzen einer für eine neue Eingabe erforderlichen Ausgabe gelernt wird.At the learning device 20 with the above configuration is the learning algorithm used by the learning unit 26 is not specifically limited, and a conventional learning algorithm may be used as the machine learning. 3 shows a configuration based on a form of the control 10 , in the 2 is shown at the the learning unit 26 supervised learning as an example of the learning algorithm. The supervised learning is a method in which a large volume of known data sets (called teaching data) including inputs and outputs corresponding thereto are given in advance, and characteristics indicative of the correlations between the inputs and the outputs become of them Teaching data identified, creating a correlation model (detected values of the force sensor, the current state of the robot 1 and the drive unit, in the learning device 20 of the present invention) for estimating an output required for a new input.

Bei der Lernvorrichtung 20 der Steuerung 10, die in 3 gezeigt ist, umfasst die Lerneinheit 26 eine Fehlerberechnungseinheit 32 und eine Modellaktualisierungseinheit 34. Die Fehlerberechnungseinheit 32 berechnet Fehler E zwischen einem Korrelationsmodell M, das die detektierten Werte des Kraftsensors von den Zustandsgrößen S ableitet, und Korrelationscharakteristiken, die von Lehrdaten T identifiziert werden, die im Voraus vorbereitet werden. Die Modellaktualisierungseinheit 34 aktualisiert das Korrelationsmodell M, um die Fehler E zu reduzieren. Die Lerneinheit 26 lernt die detektierten Werte des Kraftsensors, die den gegenwärtigen Zuständen des Roboters 1 und der Antriebseinheit entsprechen, während die Modellaktualisierungseinheit 34 die Aktualisierung des Korrelationsmodells M wiederholt. At the learning device 20 the controller 10 , in the 3 is shown, includes the learning unit 26 an error calculation unit 32 and a model updating unit 34 , The error calculation unit 32 calculates error E between a correlation model M, which derives the detected values of the force sensor from the state variables S, and correlation characteristics, which are identified by teaching data T prepared in advance. The model update unit 34 updates the correlation model M to reduce the errors E. The learning unit 26 learns the detected values of the force sensor that reflect the current state of the robot 1 and the drive unit while the model update unit 34 the update of the correlation model M is repeated.

Das Korrelationsmodell M kann durch Regressionsanalyse, verstärkendes Lernen, Tiefenlernen oder dergleichen aufgebaut werden. Ein Anfangswert des Korrelationsmodells M wird beispielsweise als eine vereinfachte Darstellung der Korrelationen zwischen den Zustandsgrößen S und den detektierten Werten des Kraftsensors vor dem Start des überwachten Lernens an die Lerneinheit 26 gegeben. Die Lehrdaten T können beispielsweise aus Erfahrungswerten (bekannten Datensätzen, welche die gegenwärtigen Zustände des Roboters 1 und der Antriebseinheit und die detektierten Werte des Kraftsensors umfassen) bestehen, die als die detektierten Werte des Kraftsensors gespeichert sind, die den vergangenen gegenwärtigen Zuständen des Roboters 1 und der Antriebseinheit entsprechen, die aufgezeichnet sind und vor dem Start des überwachten Lernens an die Lerneinheit 26 gegeben werden. Die Fehlerberechnungseinheit 32 identifiziert die Korrelationscharakteristiken, welche auf die Korrelationen der detektierten Werte des Kraftsensors mit den gegenwärtigen Zuständen des Roboters 1 und der Antriebseinheit hinweisen, aus dem großen Volumen von Lehrdaten T, welche der Lerneinheit 26 gegeben werden, und erlangt die Fehler E zwischen den Korrelationscharakteristiken und dem Korrelationsmodell M entsprechend den Zustandsgrößen S in den gegenwärtigen Zuständen. Die Modellaktualisierungseinheit 34 aktualisiert das Korrelationsmodell M, um die Fehler E beispielsweise gemäß einer vorbestimmten Aktualisierungsregel zu reduzieren.The correlation model M can be constructed by regression analysis, enhancement learning, depth learning or the like. An initial value of the correlation model M becomes, for example, a simplified representation of the correlations between the state variables S and the detected values of the force sensor before the start of supervised learning to the learning unit 26 given. The teaching data T can be obtained, for example, from empirical values (known data records which show the current states of the robot 1 and the drive unit and the detected values of the force sensor) stored as the detected values of the force sensor that are the past current states of the robot 1 and the drive unit that are recorded and before the start of the supervised learning to the learning unit 26 are given. The error calculation unit 32 identifies the correlation characteristics related to the correlations of the detected values of the force sensor with the current states of the robot 1 and the drive unit indicate, from the large volume of teaching data T, which of the learning unit 26 and obtains the errors E between the correlation characteristics and the correlation model M corresponding to the state quantities S in the current states. The model update unit 34 updates the correlation model M to reduce the errors E according to a predetermined update rule, for example.

Im nächsten Lernzyklus erlangt die Fehlerberechnungseinheit 32 die Fehler E in Bezug auf das Korrelationsmodell M entsprechend den Zustandsgrößen S und den Labeldaten L unter Verwendung der Zustandsgrößen S und der Labeldaten L, die durch Ausführen des Betriebs des Roboters 1 erlangt sind, gemäß dem aktualisierten Korrelationsmodell M, und die Modellaktualisierungseinheit 34 aktualisiert das Korrelationsmodell M erneut. Auf diese Weise wird die Korrelation zwischen den gegenwärtigen Zuständen der Umgebungen (gegenwärtige Zustände des Roboters 1 und der Antriebseinheit), die bis jetzt unbekannt waren, und der Bestimmung der entsprechenden Zustände (Bestimmung der detektierten Werte des Kraftsensors) allmählich klar. Die Beziehungen zwischen den gegenwärtigen Zuständen des Roboters 1 und der Antriebseinheit und detektierten Werten des Kraftsensors werden mit anderen Worten durch Aktualisieren des Korrelationsmodells M allmählich einer optimalen Lösung angenähert.In the next learning cycle, the error calculation unit obtains 32 the errors E with respect to the correlation model M corresponding to the state variables S and the label data L using the state variables S and the label data L obtained by executing the operation of the robot 1 according to the updated correlation model M, and the model updating unit 34 updates the correlation model M again. In this way, the correlation between the current states of the environments (current states of the robot 1 and the drive unit), which were previously unknown, and the determination of the corresponding states (determination of the detected values of the force sensor) gradually become clear. The relationships between the current states of the robot 1 and the drive unit and detected values of the force sensor, in other words, are gradually approximated to an optimal solution by updating the correlation model M.

Es kann beispielsweise ein neuronales Netzwerk verwendet werden, um das vorstehende überwachte Lernen zu verbessern. 4A zeigt schematisch ein Modell eines Neurons. 4B zeigt schematisch ein Modell eines dreischichtigen neuronalen Netzwerks, das durch Kombinieren der in 4A gezeigten Neuronen aufgebaut ist. Das neuronale Netzwerk kann beispielsweise aus einer Arithmetikeinheit oder einer Speichervorrichtung bestehen, die das Neuronenmodell imitiert.For example, a neural network may be used to enhance the above supervised learning. 4A schematically shows a model of a neuron. 4B schematically shows a model of a three-layer neural network formed by combining the in 4A constructed neurons is constructed. For example, the neural network may consist of an arithmetic unit or memory device that mimics the neuron model.

Das in 4A gezeigte Neuron gibt Resultate y von mehreren Eingaben x (z. B. die Eingaben x₁ bis x₃ ) aus. Die Eingaben x₁ bis x₃ werden mit ihren entsprechenden Gewichtungen w (w₁ bis w₃ ) multipliziert. Daher liefert das Neuron die Ausgaben y, die durch die nachstehende Gleichung 2 dargestellt sind. In der Gleichung 2 sind die Eingaben x, , die Ausgaben y und die Gewichtungen w alle Vektoren. Des Weiteren ist θ ein Bias und f_k ist eine Aktivierungsfunktion. $y = f_{k} (\sum_{i = 1}^{n} x_{i} w_{i} - θ) .$

This in 4A Neuron shown gives results y of several inputs x (eg the inputs x ₁ to x ₃ ) out. The inputs x ₁ to x ₃ with their corresponding weights w ( w ₁ to w ₃ multiplied). Therefore, the neuron provides the outputs y represented by Equation 2 below. In Equation 2, the inputs x,, the outputs y and the weights w are all vectors. Furthermore, θ is a bias and f _k is an activation function.

y = f_{k} (Σ_{i = 1}^{n} x_{i} w_{i} - θ),

In dem dreischichtigen neuronalen Netzwerk, das in 4B gezeigt ist, werden die Eingaben x (z. B. die Eingaben x1 bis x3) von der linken Seite eingegeben und die Resultate y (z. B. die Resultate y1 bis y3) von der rechten Seite ausgegeben. In dem veranschaulichten Beispiel werden die individuellen Eingaben x1, x2 und x3 mit ihren entsprechenden Gewichtungen (kollektiv dargestellt durch w1) multipliziert und jede davon wird in drei Neuronen N11, N12 und N13 eingegeben.In the three-layered neural network, which in 4B is shown, the inputs x (eg the inputs x1 to x3 ) from the left side and the results y (eg the results y1 to y3 ) issued from the right side. In the illustrated example, the individual inputs x1 . x2 and x3 with their respective weights (collectively represented by w1 ) and each of them will be in three neurons N11 . N12 and N13 entered.

In 4B sind die entsprechenden Ausgaben der Neuronen N11 bis N13 kollektiv durch z1 dargestellt. Die Ausgaben z1 können als Merkmalvektoren basierend auf der Extraktion der Merkmalquantität von Eingangsvektoren betrachtet werden. In dem veranschaulichten Beispiel werden die individuellen Merkmalvektoren z1 mit ihren entsprechenden Gewichtungen (kollektiv dargestellt durch w2) multipliziert und jede davon wird in zwei Neuronen N21 und N22 eingegeben. Die Merkmalvektoren z1 stellen Merkmale zwischen den Gewichtungen w1 und w2 dar.In 4B are the corresponding outputs of the neurons N11 to N13 collectively represented by z1. Expenditure z1 may be considered as feature vectors based on the extraction of the feature quantity of input vectors. In the illustrated example, the individual feature vectors become z1 with their respective weights (collectively represented by w2 ) and each of them is divided into two neurons N21 and N22 entered. The feature vectors z1 put features between the weights w1 and w2 represents.

In 4B sind die entsprechenden Ausgaben der Neuronen N21 und N22 kollektiv durch z2 dargestellt. Die Ausgaben z2 können als Merkmalvektoren basierend auf der Extraktion der Merkmalquantität der Merkmalvektoren z1 betrachtet werden. In dem veranschaulichten Beispiel werden die individuellen Merkmalvektoren z2 mit ihren entsprechenden Gewichtungen (kollektiv dargestellt durch w3) multipliziert und jeder davon wird in drei Neuronen N31, N32 und N33 eingegeben. Die Merkmalvektoren z2 stellen Merkmale zwischen den Gewichtungen w2 und w3 dar. Letztendlich geben die Neuronen N31 bis N33 die Resultate y1 bis y3 entsprechend aus.In 4B are the corresponding outputs of the neurons N21 and N22 collectively through z2 shown. Expenditure z2 may be considered feature vectors based on the extraction of the feature quantity of the feature vectors z1 to be viewed as. In the illustrated example, the individual feature vectors become z2 with their respective weights (collectively represented by w3 ) and each of them will be in three neurons N31 . N32 and N33 entered. The feature vectors z2 put features between the weights w2 and w3 Finally, the neurons give N31 to N33 the results y1 to y3 accordingly.

Bei der Lernvorrichtung 20 der Steuerung 10 können die detektierten Werte (die Resultate y) des Kraftsensors ausgegeben werden, während die Lerneinheit 26 eine Berechnung einer mehrschichtigen Struktur basierend auf dem vorstehenden neuronalen Netzwerk mit den Zustandsgrößen S, die als die Eingaben x verwendet werden, ausführt. Betriebsmodi des neuronalen Netzwerks umfassen einen Lernmodus und einen Bestimmungsmodus. Die Gewichtungen w können beispielsweise unter Verwendung eines Lerndatensatzes in dem Lernmodus gelernt werden, während die detektierten Werte des Kraftsensors in dem Bestimmungsmodus unter Verwendung der gelernten Gewichtungen w bestimmt werden können. Detektion, Klassifizierung, Rückschluss und dergleichen können im Bestimmungsmodus ebenfalls ausgeführt werden.At the learning device 20 the controller 10 the detected values (the results y) of the force sensor can be output while the learning unit 26 a calculation of a multi-layered structure based on the above neural network having the state quantities S used as the inputs x. Operating modes of the neural network include a learning mode and a determination mode. For example, the weights w can be learned using a learning data set in the learning mode, while the detected values of the force sensor in the determination mode can be determined using the learned weights w. Detection, classification, inference and the like can also be performed in the determination mode.

Die vorstehende Konfiguration der Steuerung 10 kann als ein Maschinenlernverfahren (oder eine Software), das durch die CPU des Computers ausgeführt wird, beschrieben werden. Dieses Maschinenlernverfahren ist ein Lernverfahren zum Lernen der detektierten Werte des Kraftsensors, die den gegenwärtigen Zuständen des Roboters 1 und der Antriebseinheit entsprechen. Dieses Verfahren umfasst einen Schritt, in dem die CPU des Computers die Zustandsgrößen S, welche die gegenwärtigen Zustände des Roboters 1 und der Antriebseinheit angeben, beobachtet, einen Schritt des Erlangens der Labeldaten L, welche die detektierten Werte des Kraftsensors angeben, und einen Schritt des Lernens der gegenwärtigen Zustände des Roboters 1 und der Antriebseinheit und der detektierten Werte des Kraftsensors in Verbindung miteinander unter Verwendung der Zustandsgrößen S und der Labeldaten L.The above configuration of the controller 10 may be described as a machine learning method (or software) executed by the CPU of the computer. This machine learning method is a learning method for learning the detected values of the force sensor corresponding to the current conditions of the robot 1 and the drive unit correspond. This method includes a step in which the CPU of the computer displays the state variables S representing the current states of the robot 1 and indicating to the drive unit, a step of obtaining the label data L indicative of the detected values of the force sensor, and a step of learning the current states of the robot 1 and the drive unit and the detected values of the force sensor in conjunction with each other using the state quantities S and the label data L.

Während eine Ausführungsform der vorliegenden Erfindung hierin beschrieben wurde, ist die Erfindung nicht auf die vorstehend beschriebene Ausführungsform begrenzt und kann in verschiedenen Formen geeignet modifiziert und verkörpert werden.While one embodiment of the present invention has been described herein, the invention is not limited to the embodiment described above and may be appropriately modified and embodied in various forms.

Der Lernalgorithmus, der durch die Lernvorrichtung 20 ausgeführt wird, ein Steuerungsalgorithmus, der durch die Steuerung 10 ausgeführt wird, und dergleichen sind nicht auf diejenigen begrenzt, die vorstehend beschrieben sind, und verschiedene Algorithmen können verwendet werden.The learning algorithm used by the learning device 20 is executed, a control algorithm by the controller 10 and the like are not limited to those described above, and various algorithms can be used.

Obwohl die Vorverarbeitungseinheit 12 an der Steuerung 10 in der vorstehend beschriebenen Ausführungsform vorgesehen ist, kann sie des Weiteren alternativ am Roboter 1 vorgesehen werden. In diesem Fall kann die Vorverarbeitung in einem oder beiden von der Steuerung 10 und dem Roboter 1 ausgeführt werden und der Ort der Verarbeitung kann geeignet unter Berücksichtigung der Verarbeitungskapazität und der Geschwindigkeit der Kommunikation festgelegt werden.Although the preprocessing unit 12 at the control 10 is provided in the embodiment described above, it may further alternatively on the robot 1 be provided. In this case, preprocessing in one or both of the controller 10 and the robot 1 and the location of the processing can be suitably set in consideration of the processing capacity and the speed of communication.

Des Weiteren sind in der vorstehend beschriebenen Ausführungsform die Zustandsgrößen S und die Labeldaten L nur beispielhaft angegeben. Es können nur einige der vorstehenden Daten als die Zustandsgrößen S verwendet werden oder anderweitig können andere Daten, welche die gegenwärtigen Zustände des Roboters 1 und der Antriebseinheit angeben, für diesen Zweck verwendet werden. Des Weiteren können nur einige der vorstehenden Daten oder anderweitig andere Daten, die durch den Kraftsensor ausgegeben werden, als die Labeldaten verwendet werden.Furthermore, in the embodiment described above, the state quantities S and the label data L are given by way of example only. Only some of the above data may be used as the state variables S or otherwise other data representing the current states of the robot 1 and specify the drive unit to be used for this purpose. Further, only some of the above data or otherwise other data output by the force sensor may be used as the label data.

Claims

A controller that processes a workpiece by controlling a pressing force of a tool mounted on the tip of an arm of a robot, the controller comprising: a state observation unit configured to acquire a current state of the robot as a state quantity; a label data acquisition unit configured to acquire, as a label, a detected value of a force sensor attached to the arm and configured to detect required data for controlling the pressing force; and a learning unit configured to generate a learning model that indicates the correlation between the state quantity obtained in a no-load state and the label acquired upon obtaining the state variable in the no-load state, and the detected value of the force sensor that corresponds to the present state of the robot, estimates based on the learning model, wherein the controller obtains the pressing force using the detected value of the force sensor acquired in a loaded state in the present state of the robot and the detected value of the force sensor acquired by the learning unit based on the current state of the robot under load was estimated, controls.

Control after Claim 1 wherein the detected value of the force sensor is a force acting on the force sensor and / or a vibration frequency acting on the force sensor.

Control after Claim 1 wherein the current state of the robot is at least one of factors including the working direction, speed, acceleration, jerk and position of the robot and the rotational and vibration frequencies of a drive unit of the tool.

Control after Claim 1 wherein the robot performs a deburring and / or grinding of the workpiece.

A control system comprising a robot configured to machine a workpiece by a pressing force of a tool mounted on the end of an arm, and a controller configured to control the operation of the robot, the controller comprising: a state observation unit configured to acquire a current state of the robot as a state quantity; a label data acquisition unit configured to acquire, as a label, a detected value of a force sensor attached to the arm and configured to detect required data for controlling the pressing force; and a learning unit configured to generate a learning model that indicates the correlation between the state quantity obtained in a no-load state and the label acquired upon obtaining the state variable in the no-load state, and the detected value of A force sensor corresponding to the present state of the robot estimates based on the learning model, the controller determining the pressing force using the detected value of the force sensor obtained in the current state of the robot in a loaded state and the detected value of the force sensor by the learning unit based on the current state of the Robot, which was obtained in the loaded state, is estimated controls.

Learning device comprising: a state observation unit configured to acquire a current state of a robot as a state quantity; a label data acquisition unit configured to acquire, as a label, a detected value of a force sensor attached to an arm of the robot and configured to detect required data for controlling a pressing force of a tool attached to the tip of the arm; and a learning unit configured to generate a learning model that indicates the correlation between the state quantity obtained in a no-load state and the label acquired upon obtaining the state variable in the no-load state, and the detected value of the force sensor which estimates the present state of the robot based on the learning model.